nodejs爬虫项目实战
这篇文章主要介绍了NodeJS制作爬虫的全过程，包括项目建立，目标网站分析、使用superagent获取源数据、使用cheerio解析、使用eventproxy来并发抓取每个主题的内容等方面，有需要的小伙伴参考下吧。
一、 依赖
1. DOM操作 cheerio
2. 请求插件 request
3. http库 superagent
4. 代理 eventproxy
二、建立项目node-spider
1. 建立一个Koa2项目
npm install -g koa-generator
2. 生成一个koa2的项目
koa2 -e node-spider -e表示使用ejs模板，具体参照koa生成器,一键生成koa和koa2项目
三、目标网站分析
如图，这是CNode首页一部分div标签，我们就是通过这一系列的id、class来定位我们需要的信息。
四、爬虫功能制作
1. superagent
是ajax API来使用的Http库，它的使用方法与jQuery差不多，我们通过它发起get请求，在回调函数中输出结果。
var koa = require('koa'); var router = require('koa-router') var url = require('url'); //解析操作url var superagent = require('superagent'); //这三个外部依赖不要忘记npm install var cheerio = require('cheerio'); var eventproxy = require('eventproxy'); var targetUrl = 'https://cnodejs.org/'; superagent.get(targetUrl) .end(function (err, res) { console.log(res); });它的res结果为一个包含目标url信息的对象，网站内容主要在其text(string)里。
2. 使用cheerio解析
cheerio充当服务器端的jQuery功能，我们先使用它的.load()来载入HTML，再通过CSS selector来筛选元素。
var $ = cheerio.load(res.text); //通过CSS selector来筛选数据 $('# topic_list .topic_title').each(function (idx, element) { console.log(element); });其结果为一个个对象，调用 .each(function(index, element))函数来遍历每一个对象，返回的是HTML DOM Elements。
输出 console.log($element.attr('title'));的结果为
广州2014年12月06日 NodeParty 之 UC 场之类的标题
输出 console.log($element.attr('href'));的结果为
/topic/545c395becbcb78265856eb2之类的url。
再用NodeJS1的url.resolve()函数来补全完整的url。
superagent.get(tUrl) .end(function (err, res) { if (err) { return console.error(err); } var topicUrls = []; var $ = cheerio.load(res.text); // 获取首页所有的链接 $('# topic_list .topic_title').each(function (idx, element) { var $element = $(element); var href = url.resolve(tUrl, $element.attr('href')); console.log(href); //topicUrls.push(href); }); });3.使用eventproxy来并发抓取
教程上展示了深度嵌套(串行)方法和计数器方法的例子，eventproxy就是使用事件(并行)方法来解决这个问题。当所有的抓取完成后，eventproxy接收到事件消息自动帮你调用处理函数。
//第一步：得到一个 eventproxy 的实例 var ep = new eventproxy(); //第二步：定义监听事件的回调函数。 //after方法为重复监听 //params: eventname(String) 事件名,times(Number) 监听次数, callback 回调函数 ep.after('topic_html', topicUrls.length, function(topics){ // topics 是个数组，包含了 40 次 ep.emit('topic_html', pair) 中的那 40 个 pair //.map topics = topics.map(function(topicPair){ //use cheerio var topicUrl = topicPair[0]; var topicHtml = topicPair[1]; var $ = cheerio.load(topicHtml); return ({ title: $('.topic_full_title').text().trim(), href: topicUrl, comment1: $('.reply_content').eq(0).text().trim() }); }); //outcome console.log('outcome:'); console.log(topics); }); //第三步：确定放出事件消息的 topicUrls.forEach(function (topicUrl) { superagent.get(topicUrl) .end(function (err, res) { console.log('fetch ' + topicUrl + ' successful'); ep.emit('topic_html', [topicUrl, res.text]); }); });结果如下
获取留言用户名和积分
在文章页面的源码找到评论的用户class名，classname为reply_author。console.log第一个元素 $('.reply_author').get(0)可以看到，我们需要获取东西都在这里头。
首先，我们先对一篇文章进行抓取，一次性把需要的都得到即可。
var userHref = url.resolve(tUrl, $('.reply_author').get(0).attribs.href); console.log(userHref); console.log($('.reply_author').get(0).children[0].data);我们可以通过https://cnodejs.org/user/username抓取积分信息
$('.reply_author').each(function (idx, element) {var $element = $(element);console.log($element.attr('href'));});在用户信息页面 $('.big').text().trim()即为积分信息。
使用cheerio的函数.get(0)为获取第一个元素。
var userHref = url.resolve(tUrl, $('.reply_author').get(0).attribs.href);console.log(userHref);关键字：node.js, nodejs爬虫, JavaScript, var
版权声明
本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！
